基于Hessian矩阵的血管图像增强与水平集分割算法研究

摘要

血管图像分割是基于计算机辅助的血管分析的前提，也是血管定量分析、手术导航和疾病变化跟踪的基础。血管图像由于噪音、局部体效应和组织运动等的影响，具有模糊、不均匀性等特点，此外，血管结构本身的复杂性、背景目标混杂等都给血管分割带来很大的困难。通常，将血管图像增强作为分割的预处理步骤。本文针对两邻近血管互相干扰、血管图像中目标背景对比度低、血管微细复杂等情况进行研究，主要研究内容如下：
　　(1)由于多尺度融合中边缘扩散导致两相邻血管检测失败，本文用梯度矢量流代替传统的高斯尺度空间计算的多尺度梯度向量。梯度矢量流是一种保留边缘的各向异性扩散，在图像边界处约等于图像梯度，当匀质区域缓慢变化时，和多尺度梯度向量性质一样，从而避免了多尺度分析。此外，本文提出了一个更适合血管图像分割的血管相似性函数，它对线性结构的响应较大并且很均匀，背景响应为负值，能很好的抑制分割过程中的边缘泄露。
　　(2)由于水平集的方法能够灵活的处理拓扑结构的变化、平滑曲线能够很好的描述血管结构等优点，本文针对基于梯度矢量流的血管增强结果的特点，构建了一个基于水平集方法的血管图像分割模型。该模型中引入了一个用来驱使水平集函数接近符号距离函数的惩罚项，从而，在曲线演化的过程中不需要进行重新初始化，大大降低了计算成本。
　　(3)为了验证本文模型的性能，本文用面积交叠度、错分率和漏分率三种图像分割评价方法对本文的血管图像分割算法进行客观的评价。实验对象为DRIVE数据库中提供的测试集中的20幅视网膜血管图像，标准参考图像为两个专家都认为是目标的像素集。此外，本文给出了一种简单有效的检测错分和漏分像素的方法。
　　实验表明，本文的方法能够在两邻近血管相互干扰、血管和背景对比度低和血管结构微细复杂的情况下成功分割出图像中的血管结构，并具有较高的准确性和稳定性。

目录

文摘

英文文摘

第1章 绪论

1.1 课题研究的目的及意义

1.2 课题的国内外研究现状

1.3 课题研究的难点

1.4 论文研究的内容与结构安排

第2章 基于Hessian矩阵的血管图像增强

2.1 引言

2.2 多尺度血管增强滤波器

2.2.1 Hessian矩阵基本原理

2.2.2 血管相似性函数

2.2.3 多尺度融合

2.2.4 多尺度线性滤波器的实验结果

2.3 改进的血管图像增强算法

2.3.1 梯度矢量流基本原理

2.3.2 新的血管相似性函数的构造

2.4 实验结果与分析

2.5 本章小结

第3章 基于水平集的血管图像分割

3.1 水平集方法简介

3.2 基于水平集方法的图像分割算法概述

3.3 血管图像分割的水平集模型建立及实现

3.4 实验结果及其分析

3.5 本章小结

第4章 医学图像分割算法评价

4.1 常用的医学图像分割评价指标

4.1.1 曲线距离测量

4.1.2 面积交叠度

4.1.3 基于像素统计的测量

4.2 实验结果及评价

4.2.1 视网膜血管图像分割结果及其分析

4.2.2 算法性能评价

4.3 错分和漏分的像素检测

4.4 本章小结

第5章 总结及其展望

5.1 工作总结

5.2 展望

参考文献

致 谢

附录A 攻读学位期间所发表的学术论文目录